物流数据分析_物流信息状态数据集

物流数据分析报告

一、项目背景&分析思路：

项目背景：某公司共向6个地区售卖6种货品，该项目以该公司2016年7月至12月的销售数据为数据集，通过分析找到其可能存在的问题和可以优化的地方。

分析思路：根据“人货场”的分析方法，提出以下三个问题：
1）从人的维度，配送服务是否存在问题？
2）从货的维度，货品质量是否存在问题？
3）从场的维度，是否存在具有潜力的区域？

二、结论先行：

1.货品4销往西北、货品2销往马来西亚的路线时效性存在较大问题，急需提升时效性；
2.货品1、2、4的质量存在较大问题，需要增加抽检比例，规范质检流程和标准；
3.可加强向华东地区推广货品2的力度和投入，同时货品2在马来西亚的时效性差导致拒收率较高，考虑到成本原因，可减少投入；

三、数据清洗

#数据读入
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] =False #显示符号
from PIL import Image
from IPython.display import display

df = pd.read_csv(r'C:\Users\13779\Desktop\物流.csv', encoding='gbk')
df.head()
1
2
3
4
5
6
7
8
9
10
11
12

#查看表信息
df.info()
1
2

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1161 entries, 0 to 1160
Data columns (total 10 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   订单号     1159 non-null   object 
 1   订单行     1161 non-null   int64  
 2   销售时间    1161 non-null   object 
 3   交货时间    1161 non-null   object 
 4   货品交货状况  1159 non-null   object 
 5   货品      1161 non-null   object 
 6   货品用户反馈  1161 non-null   object 
 7   销售区域    1161 non-null   object 
 8   数量      1161 non-null   float64
 9   销售金额    1161 non-null   object 
dtypes: float64(1), int64(1), object(8)
memory usage: 90.8+ KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

#1.删除无用列
del df['订单行']
1
2

#2.整理列--时间列
df['销售时间'] = pd.to_datetime(df['销售时间'])
df['交货时间'] = pd.to_datetime(df['交货时间'])
df.head()
1
2
3
4

#2.整理列--销售金额列
#去掉','
df['销售金额'] = df['销售金额'].str.replace(',','')
#将单位万元转换为元，并将销售额转换为float类型
df['销售金额'] = df['销售金额'].apply(lambda x: float(x[:-2])*10000 if x.endswith('万元') else float(x[:-1]))
df.head()
1
2
3
4
5
6

#2.整理列--数量列
df['数量'] = df['数量'].astype(int)
1
2

#3.检查并删除重复值
df.duplicated().sum()
1
2

87
1

#共87条重复值，数量不多，进行删除
df.drop_duplicates(inplace=True)
1
2

#4.缺失值处理
df.isnull().sum()
1
2

订单号       2
销售时间      0
交货时间      0
货品交货状况    2
货品        0
货品用户反馈    0
销售区域      0
数量        0
销售金额      0
dtype: int64
1
2
3
4
5
6
7
8
9
10

#订单号、货品交货状况分别缺失2、2个，数量不多进行删除
df.dropna(inplace=True)
df.isnull().sum()
1
2
3

订单号       0
销售时间      0
交货时间      0
货品交货状况    0
货品        0
货品用户反馈    0
销售区域      0
数量        0
销售金额      0
dtype: int64
1
2
3
4
5
6
7
8
9
10

#5.异常值检查--数据正常，无需处理
df.describe()
1
2

#重置索引
df = df.reset_index().drop('index', axis=1)
#处理后的数据预览
df.head()
1
2
3
4

#将文件存为wuliu.csv
df.to_csv(r'C:\Users\13779\Desktop\wuliu.csv', index=False)
1
2

四、可视化分析（借助Tableau软件）

1.配送服务分析

图表数据解释：
以时间维度这个图为例，条形图代表某月份的按时交货（晚交货）的单量；
比例数据代表某月份的按时交货（晚交货）的单量占该月总交货单量的比例；
1
2
3

配送服务分析结果汇总：
从时间维度来看，第四季度的晚交货率明显高于第三季度的晚交货率，猜测是由于季节原因导致的；
从货品维度来看，货品4的晚交货情况极其严重，晚交货率达到75.86%；
从销售区域维度来看，西北地区的晚交货率十分严重，晚交货率达到72.13%；
结合货品和区域维度来看，货品4只销往西北且晚交货率极其严重，急需解决；

2.货品质量分析

货品质量分析结果汇总：
货品1、2、4的不合格率较高，1和4的返修率极高，2的返修率和拒货率都较高，质量存在一定问题，需要及时改善；
货品2共销往马来西亚12单，质量合格的仅1单，返修3单，拒货8单，同时结合配送服务分析，货品2在马来西亚的晚交货率也极高，由此可推得马来西亚人对物流时效性要求较高；

3.潜力区域分析

注：以上3个图表中的数量均是指商品数量
1

潜力区域分析结果汇总：
从时间维度来看，货品2在10月和12月的销量有了显著增长，但在其他月份的销量较低，可能是因为开发了新市场或是加强了营销力度；
结合时间&区域维度的分析来看，推断是加大了营销力度，而非开发了新市场；
从销售区域维度来看，货品1有三个销售区域，货品2对应两个销售区域，货品3、4、5、6均只有一个销售区域；
结论：华东地区具有潜力，后续可加强向华东地区推广货品2的力度，同时货品2在马来西亚的时效性较差，导致拒收率较高，可适当减少投入来节约成本；